Se pretende modelar la abundancia de una especie de ave en relación a la precipitación anual. Para esto se cuenta con una serie temporal con registros desde 1956 hasta 2003.
library(nlme)
dat <- read.table("tempcorr.txt", header = TRUE)
plot(abund ~ year, data = dat)
plot(abund ~ rain, data = dat)
# Modelo Lineal común (violación de supuestos)
m0 <- gls(abund ~ rain + year, na.action = na.omit, data = dat)
summary(m0)
AIC(m0)
plot(m0)
acf(m0$residuals)
# Modelo con autocorrelación de simetría compuesta
m1 <- gls(abund ~ rain + year, na.action = na.omit, data = dat,
correlation = corCompSymm(form = ~ year))
summary(m1)
AIC(m1)
# Modelo con autocorrelación AR-1
m2 <- gls(abund ~ rain + year, na.action = na.omit, data = dat,
correlation = corAR1(form = ~ year))
summary(m2)
AIC(m2)Se intenta determinar si cierta característica comunitaria del bosque siberiano se encuentra relacionada con características climáticas como la humedad ambiental. Para cada observación se consigna la latitud y longitud.
dat <- read.table("Boreality.txt", header = TRUE)
head(dat)
## modelo lineal (incorrecto)
fit1 <- lm (Bor ~ Wet, data = dat)
summary(fit1)
## visualización de los residuos en el espacio
## 1) Bubble plots
library(gstat)
library(sp)
E <- rstandard(fit1)
spatial <- data.frame(E, dat$x, dat$y)
coordinates(spatial) <- c("dat.x", "dat.y")
bubble(spatial, "E")
## 2) Variograma
## el eje y indica cuan diferentes son las obs.
Vario1 = variogram(E ~ 1, spatial)
plot(Vario1)
## Agregar correlaciones al modelo
library(nlme)
m1 <- gls(Bor ~ Wet, data = dat) # sin correlación
m2 <- gls(Bor ~ Wet, data = dat, correlation =
corSpher(form =~ x+y, nugget = TRUE))
m3 <- gls(Bor ~ Wet, data = dat, correlation =
corLin(form =~ x+y, nugget = TRUE))
m4 <- gls(Bor ~ Wet, data = dat, correlation =
corRatio(form =~ x+y, nugget = TRUE))
m5 <- gls(Bor ~ Wet, data = dat, correlation =
corGaus(form =~ x+y, nugget = TRUE))
m6 <- gls(Bor ~ Wet, data = dat, correlation =
corExp(form =~ x+y, nugget = TRUE))
AIC(m1, m2, m3, m4, m5, m6)
## Examinando nuevamente los variogramas
var1 <- Variogram(m1, form =~x+y, robust = TRUE,
resType = "normalized")
plot(var1)
var1 <- Variogram(m1, form =~x+y, robust = TRUE,
resType = "normalized", maxDist = 2000)
plot(var1)
var6 <- Variogram(m6, form =~x+y, robust = TRUE,
resType = "normalized", maxDist = 5000)
plot(var6)
## modelo final
summary(m6)
plot(m6)Se intenta modelar el peso de los testículos del calamar en función de la longitud dorsal del manto y el mes de captura.
Squid <- read.table("Squid.txt", header = TRUE)
Squid$MONTH <- as.factor(Squid$MONTH)
s1 <- lm(Testisweight ~ DML * MONTH, data = Squid)
layout(matrix(1:4, 2, 2))
plot(s1)
layout(1)
plot(resid(s1) ~ Squid$MONTH)
plot(resid(s1) ~ Squid$DML)
## prueba de diferentes estructuras de varianza
library(nlme)
v1 <- varFixed(~ DML)
v2 <- varIdent(form = ~1 | MONTH)
v3a <- varPower(form = ~ DML)
v3b <- varPower(form = ~ DML | MONTH)
v4 <- varExp(form = ~ DML)
v5 <- varConstPower(form = ~ DML)
v6 <- varComb(varIdent(form = ~1 | MONTH), varExp(form = ~ DML))
## modelos
m0 <- gls(Testisweight ~ DML * MONTH, data = Squid)
m1 <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v1)
m2 <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v2)
m3a <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v3a)
m3b <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v3b)
m4 <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v4)
m5 <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v5)
m6 <- gls(Testisweight ~ DML * MONTH, data = Squid, weights = v6)
anova(m0, m1, m2, m3a, m3b, m4, m5, m6)
plot(m0, col = Squid$MONTH)
plot(m3b, col = Squid$MONTH)
coplot(resid(m0, type = "normalized") ~ DML | MONTH,
data = Squid)
coplot(resid(m3b, type = "normalized") ~ DML | MONTH,
data = Squid)Se intenta conocer si la fecha de llegada a Antártida del Petrel del Cabo (ArrivalCP) se relaciona con el área cubierta por hielo marino (MSA). Los datos corresponden a una serie temporal entre 1951 y 2005 (Year) y se encuentran en el archivo Antarcticbirds.txt.
Se pretende conocer la relación entre la edad y la incidencia de diabetes de tipo II. los datos fueron tomados en 100 sitios de Australia. Las coordenadas geográficas y los valores de las variables se encuentran en el archivo spatial.txt.
¿Posee datos con efectos de autocorrelación espacial o temporal? Dialogue con sus compañeres de mesa sobre la mala suerte que le aqueja. Luego presente una estrategia de análisis para sus datos.